تشخیص آنومالی‌‌های حرارتی قبل از وقوع زلزله با تلفیق الگوریتم‌های شبکه عصبی مصنوعی و بهینه‌سازی کلونی مورچه

ازآنجا که تشخیص آنومالی‌های لرزه‌ای به‌دلیل ساختار پیچیده زمین و عدم شناخت کامل سازوکار وقوع زلزله، دشوار است، دسترسی به داده‌های حرارتی متنوع به‌دست‌آمده از روش‌های سنجش از دوری سبب شده تا امکان بررسی آنومالی حرارتی قبل از وقوع زلزله‌های بزرگ فراهم شود.آنومالی‌های حاصل از پیش‌نشانگرهای حرارتی، از اصلی‌ترین منابع پیش‌بینی زلزله‌اند. در این مطالعه با استفاده از پیش‌نشانگرهای دمای سطح (land surface temperature)، دمای جو (atmospheric temperature)، شار گرمای نهان سطح (surface latent heat flux) و موج بلند خروجی (outgoing longwave radiation) امکان وقوع آنومالی حرارتی قبل از زلزله‌های ورزقان (21/05/1391)، بوشهر (20/01/1392) و سراوان (27/01/1392) بررسی شده است.برای تشخیص آنومالی پیش از وقوع زلزله، سری زمانی مربوط به دمای سطح و دمای جو توسط محصولات سنجندۀ modis، شار گرمای نهان سطح از کتابخانه gldas و موج بلند خروجی از محصولات سنجنده airs در دوره زمانی قبل و پس از وقوع زلزله تشکیل شد و با تلفیق شبکۀ عصبی مصنوعی و الگوریتم بهینه‌سازی کلونی مورچه این سری‌های زمانی پیش‌بینی ‌شده و امکان وقوع آنومالی در آنها بررسی شد. همچنین نتایج حاصل از این روش با نتایج روش شبکۀ عصبی با الگوی آموزش لونبرگمارکارد (levenberg–marquardt) مقایسه شده است. نتایج این تحقیق نشان‌دهنده وقوع آنومالی در تغییرات دمای سطح زمین، دمای جو، شار گرمای نهان سطح و موج بلند خروجی 10 تا 13 روز پیش از وقوع زلزله ورزقان، دمای جو و موج بلند خروجی 69 روز و شار گرمای نهان سطح 2 روز پیش از وقوع زلزله بوشهر و تشخیص آنومالی در تمامی پیش‌نشانگرهای حرارتی مورد مطالعه 5 تا 8 روز پیش از وقوع زلزله سراوان است.